基于長短期記憶神經網絡的采煤機搖臂軸承剩余壽命預測

王振環

（山西潞安化工集團司馬煤業有限公司，山西 長治 047100）

采礦工程是礦山行業的核心環節，而采煤機作為采礦過程中重要的工具之一，其可靠性和運行效率對采煤作業和生產安全意義重大。采煤機搖臂軸承的剩余壽命預測對于提高采煤生產效率和降低安全風險具有現實意義。近年來，隨著采煤工作面裝備水平不斷提高，因采煤機搖臂軸承故障和失效問題引發的安全風險日益突出，給采煤機的正常運行帶來了諸多挑戰。因此，開展準確預測和評估搖臂軸承剩余壽命的研究具有重要理論和實際意義。

葛紅兵[1]（2018）基于故障樹原理和理論分析了采煤機牽引部分的故障機理，并采用模糊邏輯理論評判采煤機牽引部分故障，得到了不同運行階段牽引部分故障率和故障形式，實現了對采煤機牽引部分的管理。田震[2]（2019）建立應力-可靠度高斯型隸屬度函數，利用其獲取采煤機行星軸與行星架之間的可靠度信息，實現了對截割部分行星減速可靠性的分析。

用傳統的統計模型和機器學習方法進行軸承壽命預測存在一定的局限性。隨著深度學習技術的發展，神經網絡模型在序列數據分析和預測領域蓬勃發展，并展示出了其優越的性能。LSTM 作為一種具有記憶性的深度學習模型，能夠對序列數據進行有效建模和預測。通過利用軸承工作狀態歷史數據和相應的剩余壽命信息，相較于傳統的統計模型和機器學習方法，LSTM 能夠捕捉到序列數據中的長期依賴關系，更加適用于軸承壽命預測這一時序性問題。該研究將建立一個準確且可靠的預測模型，以實現對搖臂軸承壽命的精準預測和監測。

1 采煤機搖臂關鍵零部件失效機理

1.1 采煤機搖臂結構

采煤機搖臂結構主要由截割電動機（以下統稱稱“電動機”）、搖臂殼體、護板、截一軸、截二軸、截三軸、惰輪結構、行星輪等部件組成，如圖1 所示。下面將對部件進行詳細描述：

圖1 采煤機搖臂結構

截割電機：截割電機是搖臂結構的核心部件之一，它通過傳動裝置與搖臂殼體相連。截割電機通過高速旋轉提供動力，使搖臂機構能夠進行煤炭的切割和破碎操作。

搖臂殼體：搖臂殼體是搖臂機構的外部保護罩，由金屬材料制成。它起到保護內部部件不受外部損害的作用，并提供結構穩定性和剛度。

護板：位于搖臂殼體的上方，用于遮擋和保護截割電機和其他部件，防止煤矸對電動機和傳動裝置的損害，提高整體結構的安全性和可靠性[3]。

截一軸、截二軸、截三軸：這些軸位于搖臂殼體內部，與截割電機相連。它們承載著截割電機的轉動力矩，并通過傳動裝置將動力傳遞給截割裝置，實現截割操作。

惰輪結構：搖臂結構中的惰輪結構位于搖臂殼體底部，由惰輪和支撐結構組成。惰輪與截割裝置接觸，起到支撐和保持搖臂運動穩定的作用。

行星輪：位于搖臂殼體底部的搖臂液壓缸中，行星輪的運動可以控制搖臂的升降和前后擺動。

按標準設計制造的采煤機能夠在惡劣的采煤環境下安全可靠地運行。同時，定期維護、保養也是確保采煤機特別是搖臂結構長期穩定運行的關鍵。

1.2 采煤機搖臂關鍵零部件失效形式

采煤機搖臂是采煤機的重要部件，承擔著割切和破碎煤炭的任務。然而，在采煤作業中，搖臂的關鍵零部件可能會出現失效，影響采煤機正常運行。下面將介紹幾種常見的搖臂關鍵零部件失效形式：

截割電機故障：截割電機是搖臂結構的核心部件，如果電機出現故障，如絕緣損壞、軸承磨損或電路問題，將會導致截割功能無法正常運行。

軸承故障：搖臂結構中的軸承承載著截割電機的轉動力矩，如果軸承損壞或磨損嚴重，會導致搖臂運動不穩定，甚至出現卡滯或斷裂的情況。

傳動裝置故障：搖臂結構中的傳動裝置由截一軸、截二軸、截三軸等組成，用于傳遞截割電機的動力。如果傳動裝置的鏈條或齒輪嚴重磨損或斷裂，將會導致能量傳輸的中斷。

搖臂液壓缸故障：搖臂液壓缸負責控制搖臂的升降和前后擺動。如果液壓缸內部密封件磨損、泄漏或油液污染，將會導致搖臂運動不穩定或不工作。

為了預防和減少搖臂關鍵零部件的失效，需要進行定期的檢查、維護和保養。包括電機的絕緣、傳動齒輪的磨損、軸承磨損痕跡和游隙、傳動裝置的潤滑和緊固、液壓缸的密封性能等檢查。通過科學合理的維護保養，可以提高搖臂結構的穩定性和可靠性，保障采煤機安全高效運行。

2 長短期記憶神經網絡

LSTM 在傳統循環神經網絡的基礎上，引起多個控制門，通過控制門解決循環神經網絡梯度消失問題。LSTM 門控單元能夠阻攔或允許信息傳遞，以此來捕獲數據的相關性。LSTM 模型內部結構包含可以傳遞時間序列數據的調節門和記憶單元[4-5]。LSTM 模型調節門包括遺忘門、輸出門和輸入門。不同的調節門可以控制時間序列數據的選擇性遺忘與記憶、信息選擇性輸出等，如圖2。

圖2 LSTM 結構

3 基于LSTM 網絡的軸承剩余壽命預測模型

3.1 退化指標構建

圖3 所示為采煤機搖臂滾動軸承退化的演變過程。軸承退化是一個漸進的過程，由初始的輕微磨損逐漸轉變為嚴重損傷。當軸承出現細微磨損時，這些磨損并不會對軸承的正常運轉產生影響，因此該狀態仍然被認為是一種健康的狀態，并且軸承的健康狀況會延續很久，通常占據整個生命周期的70%～80%。在經過一段時間后，如果軸承滾道表面或滾動體出現細小裂紋時，軸承開始出現運行故障，此時軸承退化曲線為初始退化點（initial degenerate point,IDP），即圖3 中B 點。隨著軸承磨損程度加劇，軸承會進入到一個退化階段[6]。在這個時期，軸承的磨損量會大幅度地增加，顯然該磨損已經不是普通的損耗。與此同時，軸承表面還會有裂紋擴展和新裂紋的生成，軸承的性能會呈現一個指數型的降低，并且會有更多的故障產生。當軸承出現嚴重損傷，甚至達到破壞的臨界值時，其工作狀態就會因為不符合安全運行而停止，此時軸承退化曲線就會到達功能性失效點C，該點即表明軸承進入失效階段[7]。因此，采煤機搖臂滾動軸承的整個生命周期可以劃分為三個階段：健康、退化和失效。

圖3 軸承退化規律曲線

3.2 分層抽樣劃分數據集

傳統的時間序列數據分類法主要根據故障演化過程，將軸承整個生命周期內的故障數據分為正常、輕微退化、退化、嚴重故障、劇烈故障等幾個階段，并按照7:3 的比例將各階段分為訓練集與測試集。但這種方法的分割點是隨機的，可能會出現不含軸承退化特征信息的訓練集，使得LSTM 在訓練時不能獲取足夠的信息，進而影響其壽命預測結果[8]。

針對軸承剩余周期預測時特征學習不完備性，采用分層抽樣方法將軸承生命周期內的所有樣本分為多個層次或多個類別，在每個層次或多個類別中分別提取訓練和檢測集。該方法可以確保各層次樣本的特性曲線之間的相似性。首先以10 個連續時間樣本為單元劃分樣本層，然后在每層以7:3 的比例提取測試集和訓練集，使每層的訓練集與測試集彼此交替分布。通過分層抽樣可以對軸承整個使用壽命期的數據進行更為精細的分割，使得訓練集與測試集會呈現出相近的使用性能退化規律，從而使得在訓練時可以對整個使用壽命期的數據進行更為全面、完備的學習，達到對整個使用壽命期的數據進行精確的預測，提升模型的預測精度的目的[9]。

3.3 粒子群的超參數優化算法

粒 子 群 優 化 算 法（Particle Swarm Optimization,PSO)是一種模仿鳥群覓食行為規則的仿生算法，可以將每只鳥看作為一個粒子，其只包含位置和速度參數，通過協同合作和信息共享等方式獲得最優解。在獲取最優解時，需要限制粒子位置和速度，即解空間。算法開始時，隨機初始化一群粒子，每個粒子根據自身的位置和速度不斷調整，同時受到個體最優解和群體最優解的吸引力。通過迭代更新，粒子群在解空間中逐漸收斂到問題的最優解或近似最優解。PSO 的核心思想是利用個體和群體間的協作，通過信息的共享和傳遞，引導粒子群向更優的解空間位置移動。在每次迭代中，粒子的速度和位置被調整，使得粒子向著歷史經驗中的最優解和當前全局最優解靠攏。這種集體智能的搜索策略使得PSO 在解決復雜、高維度問題時表現出色，成為一種常用的優化算法。

LSTM 是一種深度學習模型，用于處理序列數據，如文本、語音和時間序列數據。PSO 可以用于優化神經網絡的參數，包括LSTM 中的權重和偏差。1）參數優化：LSTM 模型通常有大量的參數，需要進行調整和優化，以達到更好的性能。PSO 可以幫助自動化這個參數優化過程，找到最佳參數組合。2）搜索空間探索：LSTM 的參數空間通常是高維的，而且存在許多局部最優解。PSO 的群體智能性質使其能夠更好地在參數空間中探索，找到全局最優解。3）收斂速度：PSO 通常在較少的迭代次數內就可以找到相對好的解，因此可以加速神經網絡的訓練過程，尤其是在計算資源有限的情況下。4）防止過擬合：PSO 可以幫助尋找更簡單的神經網絡架構，從而降低過擬合的風險。

假設粒子群包含m個粒子，其經過n次迭代后，第i個粒子的速度和位置可以表示為vi,n、xi,n，其計算公式如下：

式中：r1、r2為介于（0,1）的隨機數；c1、c2為個體和群體學習經驗因子；pbest為個體最優位置；gbest為全局最優位置。

每次迭代完成后，粒子個體最優位置根據適應度進行更新。

式中：f（·）為位置適應度函數。

從式（3）可以看出，當粒子位置舒適度比個體最優位置舒適度高時f（pbesti,n）＞f（xi,n+1），個體最優位置將替換當前位置；反之個體最優位置不變。粒子除了需要更新個體最優位置外，還需要更新全局最優位置，如下所示：

為了進一步提高粒子群算法的開發和探索能力，使粒子群算法更快、更好尋優，增加慣性權重因子w，w隨著迭代次數的增加呈遞減趨勢：

式中：pbesti,n-xi,n為自身感知項；gbesti,n-xi,n為群體認知項；kmax為最大迭代次數。

在迭代過程中，通過w值確定最優解區域，之后w值不斷減小，粒子群尋優范圍進一步減小。該改進方式可以進一步提高粒子群算法局部搜索能力[10]。

4 基于LSTM 網絡的軸承剩余壽命預測

首先確定采煤機搖臂滾動軸承退化時刻點，并劃分軸承的退化階段和健康階段，建立LSTM 退化指標。構建LSTM 軸承剩余壽命預測模型，采用分層抽樣方法將軸承壽命預測標簽和深層退化特征劃分為測試集和訓練集，然后利用LSTM 進行訓練，預測軸承剩余壽命。在設置LSTM 模型超參數時，利用粒子群算法解決參數選擇問題。

圖4 所示為LSTM 模型預測結果。從圖4 中可以看出，軸承剩余壽命真實值與預測結果變化趨勢重合度較高。為保證軸承剩余壽命預測結果的可信度，增加置信度評估，為評估軸承剩余壽命預測結果的不確定，對軸承壽命退化階段的預測進行區間評估，在軸承剩余壽命預測值上設置95%置信水平區間。從圖4 局部放大圖中可以看出，預測結果與真實值存在一定偏差，但是部分預測值均落在置信區域范圍內，表明預測值與真實值的變化情況基本一致。

圖4 軸承剩余壽命預測結果

5 結論

該文建立了LSTM 預測模型，并對軸承剩余壽命進行預測，預測結果與真實值基本一致，簡要介紹了LSTM 的基本原理，基于LSTM 理論建立了軸承剩余壽命退化指標，以此來反映軸承壽命退化過程；利用分層抽樣方法對數據集進行劃分，提高模型的預測精度；建立LSTM 網絡模型對軸承剩余壽命進行預測，并設置置信區間保證預測結果的可信度。